论文部分内容阅读
随着全球升温问题日益突出,能源安全问题日益严重,化石能源的生产不可持续,国际上对可再生能源的开发和利用也变得更加重视。风力发电作为一种重要的可再生能源,具有安全、清洁、储量充裕的特点,被认为是解决能源利用的安全问题和处理全球气候问题的重要手段,它现已成为各国研究和开发的重要领域。风电机组长期在复杂的情况下运行,并且各个运行设备之间存在强耦合作用,使得机组振动信号具有强烈的非线性和耦合特性。因此,风力发电机组的故障诊断比传统电力设备故障的诊断更困难。为此,本文以风电机组滚动轴承为研究对象,围绕风电机组的时频特征提取和故障诊断模型两个方面展开研究,重点解决风电机组振动信号特征提取、多域特征向量故障诊断和故障信息冗余等关键问题,从而实现机组振动信号多域特征向量的故障诊断。本文首先阐述了风力发电机组多域故障诊断的研究背景、选题的目的及意义。然后详细介绍了风电机组信号降噪技术、故障特征提取和故障诊断三个方面的国内外研究现状,并针对当前存在的问题,引出本文的研究内容和思路。其次,介绍了风力发电机组的基本结构,包括叶轮系统,传动系统,偏航系统,发电机-变流器系统和控制系统,并详细介绍了各个部分。然后对机组几种典型的故障进行分析,主要包括齿轮箱的常见故障及原因、风电机组中发电机的主要故障及原因和叶轮的主要故障以及原因。再次,考虑到风电机组的非线性振动信号难以被有效地提取,传统的经验模态分解(EMD)方法具有模态混叠问题,为此,本文提出一种基于复数据经验模态分解(CEMD)的风电机组特征提取方法,通过生成高斯白噪声,然后将白噪声和采集到的振动信号一起构造复信号,并将高斯白噪声投影到所有方向使得分解过程中极值点的选择发生变化,然后再求取所有方向上的包络质心,消除白噪声对原始信号的影响,从而有效地抑制了模态混叠现象,并进行了仿真验证。最后,在复数据经验模态分解的理论基础上,提出一种基于复数据经验模态分解(CEMD)和随机森林理论(RF)的风电机组多域特征故障诊断方法。通过采用CEMD将采集到的振动信号分解成多个固有模态函数(IMF),然后计算获得IMF分量的能量及能量熵作为时频域的特征向量,计算振动信号的24个时频域特征向量,并将所有的特征向量构成风电机组的多域特征向量,最后通过各个特征向量的重要程度剔除掉冗余的特征向量,将剔除后的特征向量输入到随机森林模式分类模型中,实现机组的故障诊断。并以风电机组的轴承为例,分别从不同的故障类型、相同故障的不同故障程度和同种故障不同的运行状态三个方面分别进行实例模式识别,仿真及实验结果表明:所提方法能够较好的提取机组故障特征信息,并具有很高的准确率。